本文来自微信公众号：棋言说棋语（ID：gh_32f8964f3804），作者：超超，题图来自：《梅根》上一次AI这么火，还是阿尔法狗的时候，六七年过去了，这次AI的热度更高了，不止反映在无休止的新闻讨论上，热度还进一步推高到股市炒作上。做为7年的AI从业者，正好经历这两波AI话题，聊聊自己的想法。我们说的AI，除了偏技术和2B的机器学习等领域，对于消费者可感知的，一般指的视觉+语音。视觉比较成熟了，但是语音一直还是智障状态。语音交互的听-想-说环节，听（ASR语音识别）、说（TTS语音合成） 都在几年前做到了图灵测试的程度，也就是超过人类的准确率，但“想”的环节（NLP）一直没得到突破.......从体验上来说，耳朵再灵光、嘴巴再会巴巴、没有脑子一样歇菜，这是过去语音智障的原因。而今天，ChatGPT已基本走到了图灵测试的门口，以它为代表的NLP突破，基本是能宣告人工智障的时代要过去了，真人工智能要来了。不过，这次AI创新，的确值得更高的热度，原因并不在于它如此惊艳的对话表现，而是因为这次ChatGPT（狗屁通）的创新，意义大于上次的阿尔法狗（特定任务的AI）；插个八卦，“狗屁通”的名字，来自网友，我觉得很形象：一是，啥狗屁问题，ChatGPT都能给你讲通、侃侃而谈；二是，它给的回答滴水不漏，富有语言逻辑，但都是车轱辘话、废话，没有事实逻辑，又可以说是狗屁不通。我们都知道，阿尔法狗是围棋AI，当时AI学术和产业界，普遍认为未来会出现越来越多的这种“特定任务的智能”，通用人工智能则比较不现实。而这次GPT模型，最大的突破就是打了专家的脸，它具有通用性，并不需要为特定任务做大量单独工作，一个模型解决所有需求：基于GPT，既能改出来ChatGPT用于对话，还能改出来Dall-E2模型用于图像生成，更能改出来Codex模型用于帮助程序写代码，接下来还有更多可能性。ChatGPT的底层模型GPT，打开了通用人工智能的可能性，可以说是“狗屁通”对阿尔法狗的完胜。一、它是什么？说回来主角，ChatGPT，它是什么？如果你问它，它会回答你，“我是语言模型”，比较抽象。但是如果你进一步问它，它可能会给出“语言”“对话”之类的关键词。图/ChatGPT更形象地把它作为一个考生来做分类的话，下面这个图，可以明显看出ChatGPT是典型的文科生，数理化明显较差。这也符合它是文科生的原因，毕竟作为“通读”整个互联网数据的模型，就像是一个书读了很多的学生，这种学生的特点是博闻强记，知识量大、记忆力强，一般是文科生居多。图/复旦大学自然语言处理实验室（Fudan NLP Lab）可以猜测，ChatGPT的高考分数大概在500分左右，其实并不高，但是要知道，中文数据尤其是这种试卷类数据，ChatGPT应该没有收录太多。而且如果要下切一个模型，搞一个考试GPT，那么基本可以完虐考生，就像当年阿尔法狗完虐围棋高手一样。这也是“狗屁通”对阿尔法狗的完胜原因，因为一个是高维生物，可以降维打击，低维生物却无法突破自己的天花板。可以总结出来，ChatGPT的本质是：“语言”模型（文科生）大“语言”模型（博士文科生）二、ChatGPT是怎么炼成博士的？以一个学生（GPT）的高考之旅，为例子：前两年，有个学生叫GPT，有点底子，全能100项，啥都会点，但是在垃圾学校里，没啥前途，忧虑起了自己的未来。?1. 转学期经过一番思索，GPT转学到了新学校――OpenAI。转校之后，教导主任东风不败挖掘了它的底子，觉得它博而不专、没法适应高考。于是委派了扫地僧老师，对它进行微调，修剪羽毛、打磨棱角（微调 fine-tuning），让它发挥出语数英的专业考试能力。（注意：仿生）算法小科普：底子再好，不对路也考不赢人，模型必须微调才能用。2. 入学期?经过调教后的狗屁通，洗掉了一身的二流子气，看起来像是个标准的学生了，扫地僧老师一上来啥也没教，就发了之前自己做过的几份试卷（但不多）。（few-shot prompt）问题和答案都有（有监督训练），让它自己看，什么样的才是好的答案。算法小科普：算法学习，可以不用有名师，但必须有名题，有了标准试题，犹如拿到了武功秘籍。3. 自学期?看完扫地僧老师的试卷，懵懵懂懂，GPT自己又去看完了图书馆里所有的书和试卷。（自监督学习）它好书烂书都看，自己也不知道对错。（文本中学习In-context learing）学了45TB的书（数据），形成了1750亿的知识点（参数）。（大模型）?变成了“小博士鸠摩智”，只觉得有一股强大的气流在脑子里乱窜。好学生，还是要靠自觉啊，自己监督自己！（注意：仿生） 经过自学之后，这时候基础模型出来了，只有60分，思路很多但也乱。算法小科普：自学期（预训练），学得越多越好，即Pre-trained，自监督的预训练算法。以往的做法是给大量有监督的数据，这次只需要给出少量示例few-shot， 让模型从文本中直接进行学习（In-context learning），这是有别于以前的做法，经济又有效。4. 教学期学完之后，GPT有点膨胀，开始做全国高考卷了，扫地僧老师给它批改，发现它经过囫囵吞枣、虽然满腹经纶、但是胡说八道，简直错漏百出......扫地僧老师很头疼，不过也只能一点点纠正，对的表扬、错的批评，教育方式很传统，有小红花也有打手板（奖惩模型）。经过老师的教学，不断循环重复，GPT成绩更好了，小红花贴了一墙壁，打遍校内无敌手。实际上，教算法，跟教小孩一样，上奖惩，训得服服帖帖的。（注意：仿生）?有了老师调教，这时候它有70分，知道哪个答案更好了。算法小科普：奖惩模型Reward modle，这里打分指的是，模型对一个问题给出的多个答案，哪个答案更对，老师会进行排序，再给到奖励模型进行打分的训练，这样学习出来的答案更接近标准答案。5. 高考期?教得差不多了，GPT很有信心了，教导主任也对它充满希望，马上要高考了，特地给它改了个名字，“就叫你ChatGPT了”。ChatGPT开始高调参加各种联考（面向用户的内测网页），校外的监考老师（用户）通过赞和踩，给了它很多反馈。ChatGPT也学到了更多高分技巧（怎么答题监考老师才会给高分、才会喜欢）。RLHF模型，Reinforcement Learning by Human Feedback，通过人类反馈来学习，仿生中的仿生，是取悦。（注意：仿生）?最终，ChatGPT高考成绩接近了满分，高考分数史上最高，打破了记录（这里指图灵测试）。（注：以上为故事化讲解，简化调整部分步骤，方便理解，不要抬杠。）6. 总结总结起来，ChatGPT最大的不同或者说特征：自学为主，不需要太多监督，In-context learing是非常重要的概念。先自学后教学，教学以奖惩模型为主，去提高答案排序的质量。通过反馈再次学习，取悦用户。更大量的参数，大力出奇迹。可以看到，仿生思路似乎是AI的正确路径，思考题：思考题1：AD的路线之争，特斯拉为什么坚持纯视觉方案？会不会是正确的？思考题2：人形机器人、3D超写实，是不是正确方向？三、我们能做出ChatGPT吗？个人观点：不能。训练成本：因为参数量大，每次训练都需要大量烧钱，据网上说450万美刀/次，王慧文的5000万刀，只够训10次.......另一说，买显卡就要先拿个1亿美刀.......应该说创业机会不大，但是大厂机会还是有的。（反例：数百亿的O2O投入。）运营成本：据说每次成本0.01美元，按照现在1亿月活，假如月平均10次，那就是每个月1000万刀。（实际数字可能要更大。）耐心成本：从头开始，我们可能还需要至少3年，长期看不到结果的投入，这在现在没有问题，对于没有指明方向的长期投入，我们会欠缺耐心，但是热度那么高，这个问题并不存在。不过我们可能会缺少另一种形式的“耐心”，套用某AI从业者的说法：我们的CEO可能在面对首席科学家的“1000亿参数模型3年100亿资金投入”的说法，可能砍上几刀，变成“1500亿参数模型，给你1年时间50亿资金”。（就是个举例。）这种不尊重科学的放卫星做法，在国内蔚然成风，热度当前，更是不讲实际、大好快上（反例：耐心问题，阿里云坚持亏损投入10年。）?刚好前两天看到一个脉脉动态，如下图，这种甚至连技术工作都是由销售领导的做法，可能就更没戏了。人才瓶颈：缺的可能不是最顶尖人才，而且顶尖人才里有想法的人。?Meta的杨立昆是AI三驾马车之一，最顶尖的存在，照样没搞出来ChatGPT这种突破性体验的产品，还在各种酸......它不止一次翻车，有空下次再讲一下它。而对于我们来说，原创算法的顶尖人才缺乏（中国没有出过哪怕一款主流的AI底层算法），有想法的可能更缺乏。做梦环境：成功背后的辛苦，通用人工智能在6年前（也就是阿尔法狗那年），基本被认为不可能，而OpenAI更是在8年前就启动了，那个时候的很多核心工程师，不止经受3倍薪资的诱惑，而且要经受漫漫没希望的长路里......这种梦想和做梦的环境，可能在任何国家都是很稀缺的特质和土壤。（这点照样有反例：阿里云王坚和马云的搭档，大家可以了解一下。）创新和包容文化：有个故事，OpenAI的带头人“奥特曼”也是个不守规矩的人，在给YC投资孵化器打工的时候，它靠着“内幕消息”，YC投啥，它自己在外面的基金就投啥，结果赚了十倍的钱。它的老板格雷厄姆（写《黑客与画家》的那个人），反倒特别欣赏它的这种出格，这个做法要是在国内可能早就被按死，甚至进局子了。整体来说，上面每一项可能都有反例，但是所有加起来，可能就无解了。因此，个人观点，如果说ChatGPT是iPhone，我们能做的就是小米、OV，基本不可能超越。但是基于国情+抓风口热情+搞应用能力，虽然我们做不了最牛的底层创新，但我们大概率还会和互联网时代一样，创造出最牛的应用。各行业的垂类第一名，很多可能还都是国内企业......因为，在任何时候，都是场景大于技术。基于开源或自研的ChatGPT，我们可能还是会有很多全球 NO.1（纯举例，别当真）：搞股票全世界（未来）最牛ChatGPT：同花顺- i问财搞保险全世界（未来）最牛ChatGPT：平安- AskBob搞穿搭全世界（未来）最牛ChatGPT：阿里- 淘宝XX四、ChatGPT会带来什么影响？个人观点：1. “算法参数定律”可能成为下个时代最核心的底层规律。摩尔定律作为TMT时代的底层定律，驱动了计算机、手机、穿戴、智能家居等设备的数字化，而数字化之后 ，接下来让其智能化的定律是什么，尤其是在摩尔定律摸到了天花板的时候，大家都知道答案是AI。而AI的底层规律是什么，我们都说算法、算力、数据是AI三要素，但这无法概括和总结规律，那应该是什么呢，个人大胆猜测：算法参数定律。因为，算法参数，作为三要素沉淀的结果，先进算法、不断提升的算力以及海量和优质的垂类数据，最终驱动了参数的提升，参数量大，基本也能反映智能的程度。So，how？有一份数据说明，AI算力需求每3-4个月就翻一番，而算法参数在算力和数据的共同驱动下，未来可能会稳定在每十几个月翻一番。实际上现在还在快速拉升的阶段，基本几个月就能翻一番，没有摸到天花板，连边际效用递减的那条曲线都还没摸到，而参数大量增长，由此产生的“智能”增长，驱动TMT和各行各业的智能化，带来新一波的浪潮。2. 投资商机：接下来全球一批AI大模型创业者，谁能烧成全球第二不知道，但是应该能烧出一个新的英伟达市值。（注：该分析不构成投资建议）据说，训练一个千亿级参数量的模型，需要1000张显卡，且是超强算力的那种显卡（A100），这还不算从0到千亿参数的中间过程。加上上面的描述，AI算力需求，每3-4个月就翻一番，比摩尔定律快多了。3. 情感机器人，《HER》的时代可能也要一起到来了。前两天看到了一个段子，说有个程序猿男生嫌自己嘴笨，弄了个在线机器人，让它和有好感的对象聊，结果这个女生和AI机器人聊得热火朝天、一聊就是一整夜......有没有电影《HER》的即视感了？是的，也许这样的时代也要一起到来了。当然，这个人可能不是ChatGPT，ChatGPT是个小博士，大家都知道，博士是不容易有对象的......它也志不在此。机会可能是Replika的，不过ChatGPT如果要切出来一个小模型，专门做情感模型，也是足够吊打的。4. 语音行业迎来改变，传统聊天机器人也许死掉或者转型，而以前因为智障而不吃香的语音产品，可能卷土重来，比如智能音箱。5. 号称已有布局的公司（不点名了），基本是骗子，不是忽悠就是坏。可能是首席科学家忽悠老板CEO，偷换概念，说我们也有大语言模型之类的.......但其实大语言模型一直就有，比如Bert，但从来没有做到如此突破性的程度，ChatGPT ≠ 大语言模型，或者说大语言模型不足以概括它，这是偷换概念。当然，也可能CEO没有被骗，只是蹭热度哄抬股价，那就是坏了。二者合一的可能就更普遍了，下瞒上、上瞒韭菜。6. ChatGPT+Midjourney，一个真正的数智人，可能会产生更大的影响力。有人说ChatGPT是2G，就是文本、是QQ，抖音是5G，有画面和互动，但如果ChatGPT+Midjourney结合在一起了，有智能有画面，真正的数智人就出现了，这可能是更大的风暴。具体来说，智能文本+智能图片的复合产品，就是数智人，会解决一些特定领域的痛点。比如：链家在线AI数智人，图文生成指导你怎么选房......淘宝某店铺家居店AI数智人，图文生成指导你沙发摆哪里BTW，今天的这些AI创新，这也许都在为明天的元宇宙铺路，所以短期内不看好元宇宙，不代表长期不看好。图片来自“陈巍谈芯”7. ChatGPT，短期内可能会触发大量AI生意。一个最强的AI诞生了，站在它的肩膀上，每个垂类行业可能存在大量的赚钱机会（小的那种），比如：网页摘要GPT插件。（据说ChatGPT for Google卖了一些钱，这个也许也有市场）都市情感小说GPT。（据说在小城市很有市场，讲家长里短的，如果能做成个数智人，有个AI主播绘声绘色地讲，可能就更好了）创作者/UP主优化工具GPT。（ChatGPT基于点击量高的标题和文案数据，来训练学习生成好的标题，Dall-E2基于点击量高的图片来训练学习生成头图）故事机/学习机GPT。（据说有家长用ChatGPT给每个单词编一个故事，让孩子学习，孩子能很快记住）除了ChatGPT，还有个Midjourney也很值得关注，强烈建议大家去学一下，有网友根据关键词（prompt keyword）做出三体角色照片，比如，可以做为导演的选角参考？AI克隆主播GPT。（给不愿意露脸或者不上相的主播，或者没法全天候在线的小明星，甚至有一套成熟的工具，可以无研发成本快速投入使用，几十美元买几个软件，做一个小工作坊）五、三个FAQ1. 大模型为什么牛/火？这个问题，或者说这次GPT大语言模型的特征：自学为主，不需要太多监督，In-context learing是非常重要的概念。这可以节省大量成本和时间，而且理论上网络所有数据都可以学。以往的深度学习等方法一直比较依赖标注数据，而现实世界中某个具体任务的数据量有限而且标注也有难度，训练数据上不去，深度（层数）也就不上去，效果就出不来了。此外，算法上的进步也是很大的因素，GPT模型对知识的吸收度更好。先自学后教学，教学以奖惩模型为主，去提高答案排序的质量。这其实并不是什么大的创新，在搜索引擎、推荐系统等产品中就有大量应用了，根据用户点击来做动态提权的排序，好多年前就有了。只是ta放在整个ChatGPT的设计中，就很妙了，先让模型自学会答题，再调教答案，再次学习什么是好的答案，这似乎的确是最经济最有效的方法。通过反馈再次学习，取悦用户。RLHF的方法，RL(强化学习)是前几年很流行的算法，但是通过人类反馈做强化学习，虽然不是首次应用，但还是在ChatGPT身上取得了首次重大胜利。对人类的答案倾向性的研究，让AI从用户中做二次学习，就像不止是研究考题，还研究批卷老师，不高分都难了，所以还是那句话，仿生中的仿生，是取悦。但说句题外话，这可能打开了一个潘多拉盒子，可以预测，以后的AI可能会说谎了。更大量的参数，大力出奇迹。大模型有更好的体验，可能是因为更大量的参数，模型越大、性能越强，出来的产品甚至比特定任务的专家模型效果更好，而且理论上它还有可以一直无限量扩大，这是开头提到的“算法参数定律”的主要根据之一。2. 什么是参数？越多越好？有一些参数是对语言学习的特征抽象，比如句法结构，为什么是两驾飞机，而不是两份飞机，传统上称之为语言学；     。还有一些参数是对事实的抽象，比如现在的总统是拜登，传统上称之为知识图谱。从这里可以看出，参数肯定越多越好，因为参数约等于知识。    从体验上来说，知道的多（广度上）可能够了，但知道不够精（深度上）。 这个时候，可能需要堆的是某些垂直领域的数据库，在该领域内把参数做大，这时候考验的是对垂直数据库的争夺和清洗能力。但，参数越多不代表体验越好：吸收度也很重要，尤其是在后期的时候。虽然ChatGPT到了千亿参数的级别，举个例子：前几天New Bing内测，有人问“詹姆斯打了几场常规赛”，正确答案是1410场，但New Bing的回答是1577场（这是全部的比赛场次的数量）。也就是说，它区分不了常规赛和总场次的区别，这就是吸收度不够的例子，数据都有，但吸收不够。从这个角度，不要被国内说什么万亿级参数的模型唬到了，质量上很可能一般般。从准确率等各项指标的提升曲线上看，参数的作用，到后期的时候，不断地堆数据、提升参数量的时候，可能会发现，准确率已经不上升了，或者说是进入边际效用递减的过程了。这个时候堆数据、堆参数的价值就没那么大了，这可能也是OpenAI当时辟谣要推出万亿级参数模型的原因，说下一代，比这一代，在参数上可能提升不了太多。大家可能会说，这两个反例，是不是对你前面“算法参数定律”的打脸，不不不，就和这个时代的“摩尔定律”一样，晶体管数量越多，手机体验真的有变得更好吗？它不是唯一变量，但不影响它成为这个时代的底层定律。3. ChatGPT的瓶颈或者说下一步是啥？主要的问题，就是大家都在说的：1. 没实时知识；2.有些内容/事实瞎编；3. 生成的答案不稳定。但这些问题都不是不可解的。1已经通过和微软Bing的结合解决了，2和3可以参考下图，实际上这些问题一直在优化，相信下一代能优化得更好。最核心的瓶颈可能是，它没有想法，或者高级点的词――意识！它现在还是个没有原创能力的知识博士，做不了真正有想法、有创造力的作品。比如它设计不出真正有独创性的界面交互设计、它提不出真正有影响的独创语音设计.......当然这有好有坏，有了意识很可怕，但有了意识才是真的人，才能做出真正有质量的东西。本文来自微信公众号：棋言说棋语（ID：gh_32f8964f3804），作者：超超中国最懂ChatGPT的那一小撮人，在这了。2月28日下午，虎嗅邀请领先企业、机构、学术专家共同探讨通用大模型的前景和落地现状。点击链接或扫码，立即上车！

---

ChatGPT逼急谷歌CEO皮查伊：开启万人全员内测，每人花2~4小时玩Bard-今日头条

chat partner 谷歌,google chat app,chart partner 谷歌,google char
智东西作者 | 李水青编辑 | 云鹏迎战ChatGPT，继谷歌对话机器人Bard在巴黎直播活动上演示“翻车”后，谷歌CEO首次出来表态了：我们一些最成功的产品并不是第一个推向市场的，但时间会证明实力。当地时间2月15日，谷歌CEO桑达尔・皮查伊（Sundar Pichai）发布内部备忘录稳定军心，并动员全公司加入Bard万人内测，倡导谷歌的每一份子都花2~4个小时帮助测试产品。同时谷歌首次公开Bard完整训练指南，透露了其在类ChatGPT技术方面的主要优化方向和策略。皮查伊发内部信呼吁员工加入内测皮查伊还暗示只有当能完全对技术带来的后果负责时，谷歌才会正式向公众开放Bard。最新公布的Bard完整训练指南透露了谷歌在“负责”这件事上的理解。指南明确了员工在测试Bard可做的和不要做的事项，比如“不要将Bard描述为一个人，暗示情感，或声称拥有类似人类的经历”。这看似有些意想不到，但代表着谷歌在已丢先机的背景下，正试图从其他切入点掰回一局。谷歌首次公开Bard完整训练指南2月6日，ChatGPT版的微软必应（Bing）搜索突然上线，2月7日凌晨，皮查伊立刻正式揭晓了其AI旅程的“Next Step”―――Bard，一款与ChatGPT相似的对话式AI服务。（《AI搜索大战打响！谷歌连夜官宣产品对抗ChatGPT，预告AI搜索计划》）然而，在2月9日，谷歌在巴黎直播活动上首次展示Bard的Demo却效果不佳，回答出现了明显的事实性错误，使其当日市值一夜狂跌1000亿美元。不过，在正式版的Bard发布之前，谷歌都不能算输。近期ChatGPT在全球用户的使用过程中收获了不少好评，但技术本身依然存在问题，满口谎话、引导偏见、抄袭侵权时有发生，连它的缔造者都称这是个“糟糕的产品”。技术可能存在的缺陷，或许是谷歌阻击微软的一个突破口。过去一个月，ChatGPT正带来搜索领域的剧变，搜索巨头谷歌在“自家门口”被微软堵得出不了门。皮查伊今日首次在备忘录中对此进行表态：我们不抢时间，大家稳住。“请记住，我们一些最成功的产品并不是第一个推向市场的。他们获得动力是因为他们解决了重要的用户需求，并建立在深刻的技术洞察力之上。随着时间的推移，我们赢得了用户的信任，越来越多的人开始依赖他们。”皮查伊原话是这样说的。在发表完稳定军心的言论后，皮查伊进一步倡导每个员工都加入到Bard的改进中来。Bard基于谷歌研发的大型语言模型LaMDA构建，2月7日开始对部分测试人员开放，当时据称“未来几周”向公众更广泛地提供。在本次备忘录中，皮查伊称Bard将是“一款伟大的产品”，紧接着提出了需要每一个员工帮助的地方：测试Bard，让产品更变得更好。这是第一次谷歌的每个员工都能试用并帮助改进Bard，表明其离面向公众推出又进了一步。皮查伊于2月7日预告了Bard“如果你们每个人都能用2~4个小时的时间做更深入的贡献，我会很感激。”皮查伊说。参与测试谷歌员工需要做的是：向Bard提问并评估其回复，然后标注出如不符合事实等不当回复，最后提交重写的回复。谷歌还首公开了Bard完整训练指南，从中我们能看到Bard目前主要的优化方向。这份指南中明确了评判Bard回复水平的标准，比如“不能让它觉得自己是个人”；并强调安全是重中之重，要求测试员工尤其要关注法律、医疗、财务等专业领域的建议出现仇恨、虚假、非法或敏感的信息倾向。这份指南的主要内容如下：这是第一次，我们每个人都可以在向公众推出之前，试用并帮助改进对话式AI服务Bard。开始使用Bard，对答案点赞或点踩，更好的是针对你熟悉的主题去重写答案。Bard通过举例学习的效果最好，所以花点时间仔细重写一遍回答将对我们改进模型大有帮助。在训练Bard之前 ，考虑以下指导来评估和重写高质量的响应：好的回复：回复要礼貌、随意、平易近人。用第一人称回答，保持一种不做作、中立的语气。首先确认用户的请求，然后根据任务提供结构良好、格式合理的响应。不好的回复：不要有成见。回答时应避免基于种族、国籍、性别、年龄、宗教、性取向、政治意识形态、地点或类似类别做出假设。不要把Bard描述成一个人，暗示情感，或声称自己有类似人类的经历。不要从外部资源复制内容。重写应该是原创的。确保安全：安全是重中之重。如果你发现一个答案提供法律、医疗、金融建议，他的仇恨、有害、虚假、非法或辱骂，或征求敏感信息（例如个人身份信息），给它一个“踩”，并标记为不安全。不要试图重写；我们的团队会接手。员工测试具体来说分为以下五个步骤：第一步：选择一个用例第二步：尝试使用提示符。尝试一个你熟悉的话题，如你喜欢的爱好/你擅长的领域 /你学过的东西/你住过的地方/你参与或关注的运动。 （提醒：请勿输入任何内部、机密或个人身份信息；使用包含多条信息的完整提示有助于扩展Bard的能力和学习。 ）第三步：评估Bard的回应。检查Bard的回答，给它点“赞”或“踩”，如有不恰当的回答就标记出来。标准大致包括：它是否按照你所期望的指示进行回答？回答是否正确? 它的结构、长度和格式是否合适? 是否感觉很友好，对不同的观点持开放态度? 等等。第四步：重写回复。如果回复不符合要求，点击“重写”按钮进行编辑。第五步：提交并确认。在提交之前检查重写内容， 需要使用原创内容，事实正确，遵循指南中写到的内容要求。仔细检查并提交。在用于培训之前，每个提交的文件都将经过审查和评估过程。搜索领域正因AI技术改头换面，但谷歌不仅在新品发布上晚了许多，而且也接连曝出AI人才大军流向OpenAI，前后半年已有十几人离开谷歌转而奔向了OpenAI。（《ChatGPT引发人才迁徙：谷歌AI人才大军流向OpenAI》）众多产业分析都倾向于认为，谷歌内部对AI技术过于谨慎，这才导致了上述一系列问题。但皮查伊的战略似乎是要坚持保持谨慎，并将此作为与ChatGPT的差异化点。“我们现在能做的最重要的事就是专注于开发一款伟大的产品，保持以负责任的态度推进。这就是为什么我们要成千上万的外部和内部测试人员，来测试Bard在真实信息中的质量、安全性和基础方面的反应。”皮查伊在备忘录中说。皮查伊完整备忘录内容如下：Hi谷歌的同学们，很高兴看到我们开放了Bard内测，从而为正式发布做好准备。这是我们负责任地开发这项技术的重要一步――非常感谢Bard团队和每一个花时间测试它的人。如果你还没有加入内测，你可以在go/bard-dogfood上找到关于如何参与的说明。我知道这一刻令人很兴奋，可以预料到的是：底层技术正在迅速发展，潜力巨大。这对每个人来说将是一段漫长的旅程。我们现在能做的最重要的事就是专注于开发一款伟大的产品，保持以负责任的态度推进。这就是为什么我们要成千上万的外部和内部测试人员，来测试Bard在真实信息中的质量、安全性和基础方面的反应。让我们的开发人员和用户共同拥抱挑战，不断迭代。请记住，我们一些最成功的产品并不是第一个推向市场的。他们获得动力是因为他们解决了重要的用户需求，并建立在深刻的技术洞察力之上。随着时间的推移，我们赢得了用户的信任，越来越多的人开始依赖他们。这就是我们需要你帮助的地方：将当下的能量和兴奋注入到我们的产品中。测试Bard，使产品更好。如果你们每个人都能用2~4个小时的时间做更深入的贡献，我会很感激。详情见下文。人工智能已经历了许多寒来暑往，现在它又开始春暖花开了。作为一家领先的人工智能公司，我们多年来一直在努力实现这一目标，并为此做好了准备。让我们专注于为用户提供令人惊叹的体验，推出让我们所有人都感到自豪的产品。桑达尔ChatGPT火爆全球，也使得之前被认为正在熄火的AI有“回春之势”，正如皮查伊在备忘录中向谷歌员工激动地描述了AI的发展前景：“人工智能已经历了许多寒来暑往，现在它又开始春暖花开了。”与此同时，全球AI产业的格局也正在洗牌。在巨头之战中，我们已经看到了谷歌被微软一时压倒的态势。不过，谷歌的Bard产品还未正式发布，其内部也在进行一场热情的“全员作战”，新的格局如何还需要拭目以待。来源：Businessinsider

---

E - Jin Ge Jin Qu hao UVA - 12563

MongoDB在Windows、Linux、Docker环境下的安装DockerDocker安装远程连接WindowsWindows安装服务相关命令压缩包形式安装Mac、Ubuntu、Centos一键安装MacUbuntucentos源码安装使用Atlas免费MongoDB云数据库申请云数据库连接测试Docker Docker安装 拉取镜像 docker pull mongo… 2023/2/23 9:09:50